Fristet til at snyde til en skriftlig eksamen? Kunstig intelligens er 90 % sikker på at fange dig

Kombinationen af ​​big data med kunstig intelligens har gjort det muligt for forskere fra Københavns Universitet at afgøre, om du har skrevet din opgave, eller om en ghostwriter har skrevet den for dig – med næsten 90 procent nøjagtighed.

Flere undersøgelser har vist, at snyd med opgaver er udbredt og bliver stadig mere udbredt blandt gymnasieelever. På Københavns Universitets Institut for Datalogi, bestræbelser på at opdage snyd ved opgaver ved at skrive analyse ved hjælp af kunstig intelligens har været i gang i et par år. Nu, baseret på analyser af 130, 000 skriftlige danskopgaver, videnskabsmænd kan, med næsten 90 procent nøjagtighed, opdage, om en elev har skrevet en opgave på egen hånd, eller om en ghostwriter har skrevet den.

Danske gymnasier bruger i dag Lectio-platformen til at tjekke, om en elev har afleveret plagieret arbejde med passager kopieret direkte fra en tidligere afleveret opgave. Gymnasieskoler har sværere ved at opdage, om en elev har fået en anden til at skrive opgaven for dem, noget, der sker i mere eller mindre systematiseret grad via onlinetjenester. Sagen med SRP, en større skriftlig opgave i sidste år på dansk gymnasium, er særligt sigende. Fordi opgaven tæller dobbelt, studerende er gået så langt som at afgive deres skriveopgaver på det danske klassificerede websted, Den Blå Avis.

"Problemet i dag er, at hvis nogen bliver ansat til at skrive en opgave, Lectio opdager det ikke. Vores program identificerer uoverensstemmelser i skrivestile ved at sammenligne nyligt indsendte skrifter med en studerendes tidligere indsendte arbejde. Blandt andre variabler programmet ser på:ordlængde, sætningsstruktur og hvordan ord bruges. For eksempel, om 'for eksempel' er skrevet som 'ex' eller 'f.eks. "" forklarer ph.d. studerende Stephan Lorenzen fra Institut for Datalogi. Han, sammen med resten af ​​DIKU-DABAI forskergruppen, for nylig præsenterede deres resultater på en stor europæisk AI-konference.

Inden fælden sættes, en etisk debat

Programmet, Ghostwriter, er bygget op omkring maskinlæring og neurale netværk - grene af kunstig intelligens, der er særligt nyttige til at genkende mønstre i billeder og tekster. MaCom, virksomheden, der leverer Lectio til danske gymnasier, har lavet et datasæt på 130, 000 skriftlige opgaver fra 10, 000 gymnasieelever til rådighed for Ghostwriter-projektforskere ved Institut for Datalogi. For nu, det er stadig et forskningsprojekt.

Stephan Lorenzen mener ikke, at det er urealistisk, at uddannelsen finder vej til gymnasierne i en ikke alt for fjern fremtid, da skolerne konstant skal holde sig ajour med den teknologiske udvikling for at løse forfatterskabsbekræftelsen. "Jeg tror, ​​det er realistisk at forvente, at gymnasierne begynder at bruge det på et tidspunkt. Men før de gør det, der skal en etisk diskussion om, hvordan teknologien skal anvendes. Ethvert resultat leveret af programmet bør aldrig stå for sig selv, men tjener til at understøtte og underbygge en mistanke om snyd, " mener Lorenzen.

Politi og falske nyheder

Ghostwriter's teknologiske fundament kan anvendes andre steder i samfundet. For eksempel, programmet kunne bruges i politiarbejde til at supplere forfalsket dokumentanalyse, en opgave udført af retsmedicinske dokumentgranskere m.fl.

"Det ville være sjovt at samarbejde med politiet, som i øjeblikket indsætter retsmedicinske dokumentgranskere for at lede efter kvalitative ligheder og forskelle mellem de tekster, de sammenligner. Vi kan se på store mængder data og finde mønstre. Jeg forestiller mig, at denne kombination ville gavne politiets arbejde, " siger Lorenzen, der understreger, at der også her er brug for etiske diskussioner.

Den kunstige intelligens, som forskere ved Institut for Datalogi anvender til at opdage snyd med opgaver, har en lang række anvendelser. Det er allerede blevet brugt til at analysere Twitter-tweets for at afgøre, om de er komponeret af faktiske brugere eller skrevet af betalte bedragere eller robotter.

Fakta:

• Ghostwriter-programmet bruger det, der er kendt som et siamesisk neuralt netværk til at skelne mellem to teksters skrivestile. Netværket er trænet i store mængder data for at lære af repræsentationer af skrivestile, som så sammenlignes.
• Når en elev afleverer en opgave, netværket sammenligner det med deres tidligere opgaver. For hver tidligere opgave, netværket giver en procentscore for skrivestilslighed i forhold til den nye opgave.
• Til sidst, et vægtet gennemsnit af disse score beregnes ved hjælp af en beregning, der også tager andre faktorer, såsom leveringstid, i betragtning. Denne endelige score præsenteres som en procentdel og angiver ligheden mellem den nye opgave og den studerendes skrivestil.
• Forskergruppen bag resultatet er Dansk Center for Big Data Analytics-drevet Innovation (DIKU-DABAI). Gruppen ledes af professor Stephen Alstrup.